医学生物学习日记1

1.细菌域,真菌域和真核域
解析:1990年,美国的CR Woese提出将生物界划分为3个域,如下所示:
[1]细菌域,包括支原体、衣原体、立克次体、细菌、放线菌及蓝藻等,称为真细菌;
[2]古菌域,包括产甲烷菌、盐杆菌、热原质体等,称为古细菌。
[3]真核域,包括真菌、植物和动物。

2.基因
解析:基因由多个脱氧核苷酸构成有遗传效应的DNA片段,在某些病毒中是RNA片段。基因的遗传效应是指复制、转录、翻译、调控、突变、重组等功能。

3.基因剪刀、针线和运输工具
解析:
[1]限制性内切酶是基因的剪刀,它的作用是切割DNA,产生黏性末端。
[2]DNA连接酶是基因的针线,它的作用是在核苷酸之间形成磷酸二酯键。
[3]载体是基因的运输工具,它的作用是将目的基因送入受体细胞。

4.蛋白质工程
解析:蛋白质工程主要是改造现有的蛋白质,通过修改蛋白质中氨基酸序列来改进蛋白质的结构和钩象,提高蛋白质的活性、稳定性和产率。

5.原核细胞
解析:常见的原核细胞有支原体、细菌、放线菌和蓝绿藻[蓝细菌]等,其中支原体是最小的原核细胞。

6.rTMS
解析:
[1]rTMS是经颅磁刺激技术中的一种刺激模式即重复经颅磁刺激,经颅磁刺激技术[Transcranial Magnetic Stimulation,TMS]是一种无痛、无创的绿色治疗方法,磁信号可以无衰减地透过颅骨而刺激到大脑神经,实际应用中并不局限于头脑的刺激,外周神经肌肉同样可以刺激,因此都叫它为“磁刺激”。
[2]TMS可以治疗精神分裂症[阴性症状]、抑郁症、强迫症、躁狂症、创伤后应激障碍[PTSD]等精神疾病,其中对抑郁症的治疗在美国已经通过FDA的认证,治愈率为20%,治疗有效率可以高达100%。

7.基于体素形态学分析
解析:基于体素形态学分析[voxel-based morphometry,VBM]是一种基于体素对脑结构磁共振成像[magnetic resonance imaging,MRI]自动、全面、客观的分析技术,可以在活体脑进行精确的形态学研究。VBM通过定量计算分析MRI中每个体素的脑灰、白质密度或体积的变化来反映相应解剖结构的差异,是评价脑部灰、白质病变的一种新的方法。

参考文献:
[1] 细胞生物学[第二版]

深度学习是机器学习的一个子领,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

NLP工程化

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值